Coefficient de Dice

Le coefficient de Sørensen–Dice est une mesure classique de chevauchement d'ensembles qui s'applique proprement aux chaînes lorsque chacune est représentée comme le multiensemble de ses bigrammes de caractères — chaque paire de caractères adjacents de gauche à droite. Contrairement à la distance d'édition, qui compte insertions et suppressions, Dice renvoie une similarité bornée dans l'intervalle fermé de zéro à un, afin que vous puissiez fixer des seuils sans rééchelonner selon la longueur. Cette capacité accepte deux textes, normalise éventuellement la casse, construit les multiensembles de bigrammes et renvoie le coefficient avec les comptages de bigrammes et le total des paires partagées. Des chaînes identiques marquent toujours un ; une chaîne de moins de deux caractères face à un partenaire différent marque zéro car aucun bigramme ne peut se chevaucher.

Ce que mesure le coefficient de Dice sur bigrammes de caractères

Sørensen–Dice a été défini pour des ensembles finis comme le double de la taille de l'intersection divisé par la somme des tailles des ensembles. Pour la comparaison floue de chaînes, les jetons naturels sont les bigrammes de caractères : pour une chaîne de longueur n vous formez les n moins un paires ordonnées de caractères consécutifs, en comptant les doublons lorsque la même paire se répète.

Cette vue multiensemble compte pour les chaînes aux lettres répétées ou aux motifs rythmiques, car une paire partagée ne peut contribuer qu'au minimum de ses comptes dans chaque texte. La formule est donc dice égal à deux fois la taille de l'intersection multiensemble, divisée par la somme des deux comptages de bigrammes. Un score de un signifie que les deux sacs multiensembles sont identiques au sens des bigrammes — ce qui vaut lorsque les chaînes normalisées sont égales.

Un score de zéro signifie qu'elles ne partagent aucune paire adjacente, fréquent pour de courts mots sans lien. Les valeurs intermédiaires quantifient le chevauchement partiel : night versus nacht partage la paire ht une fois parmi quatre bigrammes de chaque côté lorsque les longueurs sont prises en compte, produisant un coefficient moyen plutôt qu'une correspondance binaire.

Comme la mesure est symétrique et libre d'échelle au sens où numérateur et dénominateur croissent avec la longueur, elle est largement utilisée pour le rapprochement d'enregistrements, la recherche tolérante aux fautes de frappe et la détection de quasi-doublons lorsque vous avez besoin d'un seul nombre comparable sans entraîner de modèle.

Où la similarité de Dice apporte de la valeur dans les produits et pipelines

La recherche produit et l'hygiène de catalogue utilisent un calculateur du coefficient de Dice pour signaler des titres quasi-doublons qui diffèrent d'un mot permuté ou d'une lettre manquante sans déployer d'embeddings. Les outils de support client comparent des objets de tickets en texte libre à une banque de modèles connus et acheminent les scores élevés vers des macros.

Les tâches de nettoyage de données en CRM et logistique apparient noms de villes, SKU et noms de personnes entre systèmes qui divergent sur la casse ou les diacritiques lorsque le repli de casse est activé. Une validation échouée ne consomme pas de solde. Gardez des chaînes modestes pour un usage interactif, épinglez coefficient à douze décimales dans les tests, et vous obtenez des scores flous reproductibles pour des démos de devoirs, plugins LMS et workers en bordure sans importer une bibliothèque complète de correspondance floue.